Glossary

0-9

2-stage detector 9-layer network 5G + AI 0-shot learning 6DoF pose estimation 3D convolution 8-bit quantization 7D representation 1-shot learning 4D data

A

Algorithm Autoencoder AGI / Artificial General Intelligence Attention Artificial Intelligence (AI)

B

BERT Batch Normalization Backpropagation Bias Boosting

C

Chatbot Classifier / Classification CNN / Convolutional Neural Network Cross-Validation Clustering

D

Deterministic Model Discriminative Model Deepfake Data Augmentation Deep Learning

E

Epoch Encoder Ensemble Learning Embedding Explainable AI (XAI)

F

Foundation Model Feature Extraction Fusion / Multimodal Fusion Forward Propagation Fine-tuning

G

GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding Graph Neural Network (GNN)

H

Hyperparameter Hidden Layer Hallucination Heuristic Hierarchical Model

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Joint Embedding JSONL / JSON-lines Juxtaposition Jittering

K

Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Kernel Trick

L

Large Language Model (LLM)Latent Variable Loss Function Learning Rate LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Optimizer Online Learning Objective Function Overfitting One-hot Encoding

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Quality Estimation Quantization Q-learning Queue / Buffer

R

Representation Learning Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sampling Sequence Modeling Softmax

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Unsupervised Learning Uncertainty Estimation Underfitting Universal Approximation Theorem U-Net

V

Variational Autoencoder (VAE)Vector Embedding Validation Set Vanishing / Exploding Gradient Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

X-axis / feature axis XOR problem XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)Yoga of AI Y-transform / YUV YAGNI (You Aren't Gonna Need It)

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zygosity in augmentation Zero-gradient phenomenon

Qu'est-ce que l'Intelligence Artificielle (IA) ?

L'Intelligence Artificielle (IA) fait référence à la capacité d'un système informatique à imiter l'intelligence humaine. Elle peut réaliser des tâches complexes telles que l'apprentissage, le raisonnement, la résolution de problèmes et la compréhension du langage naturel. Avec l'augmentation de la puissance de calcul et du volume de données, les applications de l'IA se développent rapidement dans divers domaines, de la santé aux finances, en passant par la conduite autonome et les maisons intelligentes.

L'importance de l'IA réside dans sa capacité à améliorer l'efficacité, à réduire les coûts de main-d'œuvre et à aider à l'analyse des données et à la prise de décision. Cependant, l'IA soulève également des préoccupations éthiques et de confidentialité, telles que la sécurité des données, le biais algorithmique et son impact sur le marché du travail. Les systèmes d'IA fonctionnent généralement à l'aide de techniques d'apprentissage automatique et d'apprentissage en profondeur, permettant aux ordinateurs d'apprendre à partir de grands ensembles de données et de faire des prédictions.

À l'avenir, l'IA devrait continuer à évoluer, atteignant potentiellement des niveaux plus élevés d'autonomie et d'intelligence. À mesure que la technologie progresse, la réglementation sociale et l'orientation éthique concernant l'IA deviendront également de plus en plus importantes. Les utilisateurs doivent être conscients des risques potentiels associés aux technologies de l'IA et veiller à leur utilisation responsable.